Om du har spenderat tid på att fundera över komplexa system, förstår du säkerligen vikten av nätverk. Nätverk styr vår värld. Från kemiska reaktioner inuti cellen, till nät av relationer i ekosystem, handels- och politiska nätverk som formar historiens gång.

Eller låt oss betrakta denna artikel som du läser. Du hittade förmodligen den i sociala medier, laddade ner den från datnätet och tolkar för närvarande dess betydelse med hjälp av ditt neurala nätverk..

Men hur mycket jag än har tänkt på nätverk under åren, insåg jag nyligen vikten av enkel diffusion..

Det är vårt ämne för idag: hur och hur kaotiskt allt rör sig och sprids. Här är några exempel för att väcka aptiten:

• Infektionssjukdomar som sprider sig från bärare till bärare inom en population.
• Memes som sprids genom följarens graf på sociala medier.
• Skogsbrand.
• Idéer och metoder som tränger in i kulturen.
• Kaskad av neutroner i anrikad urin.

En kort not om formen.

Till skillnad från alla mina tidigare arbeten, är detta essä ett interaktivt [i den ursprungliga artikeln det finns interaktiva exempel med reglage och knappar som styr objekt på skärmen – anm. red.].

Så, låt oss köra igång. Den första uppgiften är att utveckla ett visuellt lexikon för spridning genom nätverk.

En enkel modell.

Jag är säker på att ni alla känner till grunderna för nätverk, det vill säga noder + kanter. För att utforska diffusion behöver vi bara märka några noder som aktiva.Eller, som epidemiologer gärna säger, smittade.:

Denna aktivering eller infektion sprider sig genom nätverket från nod till nod enligt reglerna som vi kommer att utveckla nedan.

Verkliga nätverk är vanligtvis mycket större än detta enkla nätverk med sju noder. De är också mycket mer komplicerade. Men för enkelhetens skull kommer vi här att bygga en lekmannamodell för att studera ett galler, det vill säga ett galler-nätverk.

(Det faktum att nätverket saknar realism kompenseras av att det är lätt att rita 😉

Om inget annat anges har noderna i nätverket fyra grannar, till exempel:

Och det måste förutsättas att dessa galler sträcker sig oändligt i alla riktningar. Med andra ord, vi är inte intresserade av beteendet som endast sker vid nätverkets kanter eller i små populationer.

Eftersom rutnäten är så ordnade, kan de förenklas till pixlar. Till exempel representerar dessa två bilder samma nätverk:

I en av beteendevarianterna överför den aktiva noden alltid infektionen till sina (icke-smittade) grannar. Men det är tråkigt. Mycket mer intressanta saker händer när överföringen är sannolik..

SIR och SIS

I SIR-modeller (Susceptible-Infected-Removed) noden kan befinna sig i tre tillstånd:

• Mottaglig (Susceptible)
• Smittad (Infected)
• Borttagen (Removed)

Så här fungerar den interaktiva simuleringen [i den ursprungliga artikeln kan hastigheten för infektionens överföring väljas från 0 till 1, man kan se processen steg för steg eller helt — anm. övers.:]

• Noderna börjar som mottagliga, förutom ett par noder som börjar som smittade.
• Vid varje tidssteg får de smittade noderna en chans att överföra infektionen till varje en av sina mottagliga grannar med en sannolikhet som är lika med överföringshastigheten.
• De smittade noderna går sedan över till tillståndet "borttagen", vilket innebär att de inte längre kan smitta andra eller smittas själva.

I kontexten av sjukdom kan borttagning innebära att en person har dött eller att de har utvecklat immunitet mot patogenen. Vi säger att de är "borttagna" från simuleringen, eftersom inget mer händer med dem.

Beroende på vad vi försöker modellera kan en annan modell än SIR behövas.

Om vi simulerar spridningen av mässlingen eller ett utbrott av en skogsbrand passar SIR perfekt. Men anta att vi simulerar spridningen av en ny kulturell praktik, exempelvis meditation. Först är noden (personen) mottaglig eftersom de aldrig har gjort det tidigare. Om de då börjar meditera (möjligen hör av sig från en vän), kommer vi att modellera dem som smittade. Men om de slutar med praktiken, kommer de varken att dö eller falla ut från simuleringen, eftersom de enkelt kan återfå denna vana i framtiden. Så de går tillbaka till ett mottagligt tillstånd.

Detta SIS-modellen (Susceptible–Infected–Susceptible). I den klassiska modellen finns det två parametrar: överföringshastighet och återhämtningshastighet. Men i simuleringarna för denna artikel har jag beslutat att förenkla genom att utelämna återhämtningshastigheten. Istället återgår den infekterade noden automatiskt till en mottaglig status vid nästa tidssteg, om den inte är infekterad av någon av sina grannar. Dessutom tillåter vi att en nod som infekteras vid steg n kan infektera sig själv vid steg n+1 med en sannolikhet som är lika med överföringshastigheten.

Diskussion

Som ni kan se är detta väldigt annorlunda än SIR-modellen.

Eftersom noderna aldrig tas bort kan även en mycket liten och begränsad gitter stödja SIS-infektion under en lång tid. Infektionen hoppar helt enkelt från nod till nod och tillbaka.

Trots skillnaderna visar det sig att SIR och SIS är förvånansvärt utbytbara för våra syften. Därför kommer vi under resten av artikeln att fokusera på SIS — främst eftersom den är mer livskraftig och därför mer intressant att arbeta med.

Kritiskt läge

Genom att experimentera med SIR- och SIS-modellerna har ni kanske märkt något om infektionens varaktighet. Vid mycket låga överföringshastigheter, som 10%, tenderar infektionen att dö ut. Däremot, vid högre värden, som 50%, förblir infektionen vid liv och fångar större delen av nätverket. Om nätverket var oändligt, skulle vi kunna föreställa oss att det fortsätter och sprider sig för alltid.

Denna gränslösa diffusion har många namn: "viral", "nukleär" eller (i titel av denna artikel) kritisk.

Visar sig finnas en specifik brytpunkt som skiljer sub-kritiska nätverk (dödsdömda att dö ut) från överskridande nätverk (kapabla till oändlig tillväxt). Denna brytpunkt kallas kritisk tröskel, och det är en ganska generell egenskap hos diffusionsprocesser i vanliga nätverk.

Det exakta värdet av den kritiska tröskeln varierar mellan nätverken. Det som är gemensamt är tillgång som sådant värde.

[I en interaktiv demonstration från den ursprungliga artikeln kan du försöka att manuellt hitta den kritiska tröskeln för nätverket genom att ändra värdet på överföringshastigheten. Den ligger någonstans mellan 22% och 23% — anm. övers.]

Vid 22% (och lägre) dör infektionen så småningom ut. Vid 23% (och högre) dör den ursprungliga infektionen ibland, men i de flesta fall lyckas den överleva och sprida sig tillräckligt länge för att säkra sin eviga existens.

(Förresten, det finns en hel vetenskaplig disciplin som är dedikerad till att söka efter dessa kritiska trösklar för olika nätverks topologier. För en snabb översikt rekommenderar jag att du bläddrar igenom Wikipedia-artikeln om genomträngningströskel).

Så här fungerar det: under den kritiska tröskeln dör varje slutlig infektion i nätverket garanterat (med sannolikhet 1) ut till slut. Men över den kritiska tröskeln finns det en sannolikhet (p > 0) att infektionen kommer att fortsätta för evigt och sprida sig godtyckligt långt från ursprungsstället.

Men observera att ett överkritiskt nätverk inte garanterar, att infektionen kommer att fortsätta för evigt. Faktum är att den ofta dör ut, särskilt i de tidigaste faserna av simuleringen. Låt oss se hur detta går till.

Anta att vi började med en smittad nod och fyra grannar. I det första steget av simuleringen har infektionen 5 oberoende chanser att sprida sig (inklusive chansen att 'sprida sig' till sig själv i nästa steg):

Anta nu att överföringshastigheten är 50%. I så fall kastar vi fem gånger en mynt i det första steget. Om det blir fem klave, så kommer infektionen att utraderas. Detta händer ungefär 3% av gångerna — och det är bara i det första steget. Infektionen som överlever det första steget har en viss (vanligtvis mindre) sannolikhet att dö ut i det andra steget, en viss (ännu mindre) sannolikhet att dö ut i det tredje steget och så vidare.

Så även när nätverket är överkritiskt — om överföringshastigheten är 99% — finns det en möjlighet att infektionen försvinner.

Men det viktiga är att den inte alltid kommer att avta. Om man summerar sannolikheten för avtagande vid alla steg till oändligheten blir resultatet mindre än 1. Med andra ord, med en icke-noll sannolikhet kommer infektionen att fortsätta för evigt. Det är vad det innebär för ett nätverk att vara överkritiskt.

SISa: spontan aktivering

Fram tills nu har alla våra simuleringar börjat med en liten del av förhandsinfekterade noder i centrum.

Men vad händer om vi börjar från grunden? Låt oss sedan modellera spontanaktivering - processen genom vilken en mottaglig nod smittas av en slump (inte från en av sina grannar).

Detta kallas modellen SISa. Bokstaven "a" betyder "automatisk".

I simuleringen av SISa introduceras en ny parameter - hastigheten för spontanaktivering, som ändrar frekvensen av spontana infektioner (den tidigare nämnda överföringshastighetsparametern finns också med).

Vad behöver vi för att infektionen ska spridas över hela nätverket?

Diskussion

Du kanske har märkt i simuleringen att en ökning av hastigheten för spontanaktivering inte ändrar om infektionen sprider sig över hela nätet eller inte. Endast överföringshastigheten bestämmer om nätverket är sub- eller överkritiskt. Och när nätverket är subkritiskt (överföringshastigheten är mindre än eller lika med 22 %), kan ingen infektion spridas över hela nätet, oavsett hur ofta den startar.

Det är som att försöka göra upp eld på ett blött fält. Du kan sätta eld på några torra löv, men lågorna slocknar snabbt eftersom resten av landskapet inte är tillräckligt lättantändligt (subkritiskt). Medan på ett mycket torrt fält (överkritiskt) räcker det ofta med en gnista för att en stor brand ska bryta ut.

Liknande fenomen observeras inom områdena idéer och uppfinningar. Ofta är världen inte redo för en idé, och i det fallet kan den uppfinnas om och om igen utan att den fångar massorna. Å andra sidan kan världen vara helt redo för en uppfinning (stor dold efterfrågan), och så snart den föds accepteras den av alla. I mitten finns idéer som uppfinns på flera platser och sprids lokalt, men inte tillräckligt för att någon enskild version ska kunna täcka hela nätverket. I denna sista kategori finner vi till exempel jordbruk och skrivkonst, vilka oberoende har uppfunnits av olika mänskliga civilisationer ungefär tio respektive tre gånger.

Immunitet

Anta att vi gör vissa noder helt osårbara, det vill säga okänsliga för aktivering. Det är som om de ursprungligen befinner sig i ett avlägset tillstånd, och modellen SIS(a) körs på de kvarvarande noderna.

Reglaget "immunitet" styr procenten av borttagna noder. Försök att ändra dess värde (under modellens drift!) och se hur det påverkar nätverkets tillstånd, om det blir superkritiskt eller inte.

Diskussion

Ändring av antalet immunresistenta noder förändrar helt bilden, om nätverket är sub- eller superkritiskt. Det är lätt att förstå varför. Med ett stort antal immunresistenta noder har infektionen färre möjligheter att sprida sig till nya värdar.

Det visar sig att detta medför en rad mycket viktiga praktiska konsekvenser.

En av dem är att förhindra spridningen av skogsbränder. På lokal nivå måste varje person vidta egna säkerhetsåtgärder (till exempel att aldrig lämna öppen eld utan tillsyn). Men på större skala är enskilda utbrott oundvikliga. Därför består en annan skyddsmetod i att säkerställa tillräckligt med "brott" (i nätverket av lättantändliga material) så att ett utbrott inte omfattar hela nätverket. Den funktionen fylls av avverkningar:

Ett annat utbrott som är viktigt att stoppa är en infektionssjukdom. Här introduceras konceptet populär immunitet. Detta är idén om att vissa personer inte kan vaccineras (till exempel de har ett nedsatt immunsystem), men om tillräckligt många människor är immunoroende kan sjukdomen inte sprida sig oändligt. Med andra ord bör man vaccinera en tillräcklig del av befolkningen för att flytta befolkningen från superkritisk till subkritisk status. När detta inträffar kan en patient fortfarande smittas (till exempel efter en resa till en annan region), men utan ett superkritiskt nätverk där det kan växa, kommer sjukdomen bara att smitta en liten handfull personer.

Slutligen förklarar konceptet av immunresistenta noder vad som händer i en kärnreaktor. I en kedjereaktion frigör en sönderfallande atom av uran-235 cirka tre neutroner, som i genomsnitt orsakar klyvning av mer än en U-235-atom. De nya neutronerna orsakar sedan vidare klyvning av atomer och så vidare exponentiellt:

När man skapar en bomb handlar allt om att säkerställa en oavbruten fortsättning av exponentiell tillväxt. Men på ett kraftverk är målet att producera energi utan att döda alla runt omkring. För detta används reglerstänger, tillverkade av material som kan absorbera neutroner (till exempel silver eller bor). Eftersom de absorberar och inte frigör neutroner fungerar de i vår simulering som immuniserade noder, och förhindrar därmed att det radioaktiva kärnan går in i ett superkritiskt tillstånd.

Således handlar kärnreaktorns knep om att hålla reaktionen nära det kritiska tröskelvärdet genom att flytta reglerstängerna fram och tillbaka, och säkerställa att så snart något går fel, sjunker stängerna ner i kärnan och stoppar den.

Graden

Graden av en nod är antalet grannar. Fram till nu har vi betraktat nätverk av grad 4. Men vad händer om vi ändrar den här parameter?

Till exempel kan vi koppla varje nod inte bara till fyra närliggande grannar, utan även till fyra diagonala. I ett sådant nätverk skulle graden bli 8.

Nätverk med grad 4 och 8 är väl symmetriska. Men med grad 5 (till exempel) uppstår en fråga: vilka fem grannar ska väljas? I det här fallet väljer vi de fyra närmaste grannarna (N, E, S, V), och sedan väljer vi slumpmässigt en granne från mängden {NE, SE, SW, NW}. Valet görs oberoende för varje nod vid varje tidssteg.

Diskussion

Återigen är det inte svårt att förstå vad som sker här. När varje nod har fler grannar ökar chansen för spridning av infektion — och därmed ökar sannolikheten för att nätverket blir kritiskt.

Men konsekvenserna kan vara oväntade, som vi snart kommer att se.

Städer och nätverksdensitet

Än så länge har våra nätverk varit helt homogena. Varje nod ser ut som vilken annan som helst. Men vad händer om vi ändrar förutsättningarna och tillåter olika tillstånd för noderna över hela nätverket?

Till exempel, låt oss försöka modellera städer. För detta ökar vi tätheten i vissa delar av nätverket (högre grad av noder). Vi gör detta baserat på data som visar att stadsbor har ett bredare socialt nätverk och fler sociala interaktioner, än människor utanför städerna.

I vår modell är mottagliga noder färgade baserat på deras grad. Noder i "landsbygden" har grad 4 (och är färgade i ljusgrått), medan noder i "städerna" har högre grader (och är mörkare färgade), från grad 5 på ytterkanten till grad 8 i stadens centrum.

Försök att välja en spridningshastighet så att aktiveringen täcker städerna, men inte går utanför deras gränser.

Jag finner den här simuleringen både uppenbar och fantastisk. Självklart, städer stödjer kulturell nivå bättre än landsbygden – det vet alla. Vad som förvånar mig är att delar av denna kulturella mångfald uppstår enbart utifrån topologin av det sociala nätverket.

Det är en intressant punkt, jag ska försöka förklara mer ingående.

Här handlar vi om former av kultur som överförs enkelt och direkt från person till person. Till exempel, seder, salongsspel, modetrender, språktrender, ritualer i små grupper och produkter som sprids muntligt, plus hela informationspaket som vi kallar idéer.

(Obs: Spridningen av information mellan människor kompliceras av massmedier. Det är lättare att föreställa sig en teknologiskt primitiv miljö, som det antika Grekland, där nästan varje gnista av kultur överfördes genom interaktion i det fysiska rummet).

Från den givna simuleringen lärde jag mig att det finns idéer och kulturella praktiker som kan slå rot och spridas i staden, men de helt enkelt inte kan spridas på landsbygden (matematiskt kan de inte). Det är samma idéer och samma människor. Det handlar inte om att invånarna på landsbygden är "okunniga": när de interagerar med samma idé har de exakt samma chans att fånga den, som stadsborna. Det handlar bara om att själva idén inte kan bli viral på landsbygden, eftersom det inte finns så många kopplingar genom vilka den kan spridas.

Det är nog lättast att se detta inom mode - kläder, frisyrer osv. Inom modevärlden kan vi observera ett nätverksrecept när två personer noterar varandras kläder. I stadens centrum kan varje person dagligen se över 1000 andra människor - på gatan, i tunnelbanan, i en fullsatt restaurang osv. På landsbygden, å sin sida, kan varje person bara se ett par dussin andra. Baserat på bara på denna skillnad, kan staden stödja fler modetrender. Endast de mest övertygande trenderna - med den högsta överföringshastigheten - kan befästa sig utanför staden.

Vi tenderar att tro att om en idé är bra, kommer den så småningom att spridas till alla, och om en idé är dålig, kommer den att försvinna. Detta är självklart sant i extrema fall, men mellan dem finns det en mängd idéer och praktiker som kan bli virala endast inom vissa nätverk. Det är verkligen fascinerande.

Inte bara städer

Här överväger vi inflytandet av nätverksdensitet. Den definieras för en given uppsättning noder som antalet faktiska kopplingar, delat med antalet potentiella kopplingar. Det vill säga procentandelen möjliga länkar som faktiskt existerar.

Så, vi har sett att nätverksdensiteten i stadens centrum är högre än på landsbygden. Men städer är inte den enda platsen där vi hittar täta nätverk.

Ett intressant exempel är gymnasieskolor. Till exempel, för ett specifikt område, jämför vi nätverket som finns bland eleverna med nätverket som finns bland deras föräldrar. Samma geografiska område och samma befolkning, men ett nätverk är många gånger tätare än det andra. Därför är det inte förvånande att mode- och språktrender sprids mycket snabbare bland tonåringar.

På samma sätt är elitnätverken generellt mycket tätare än icke-elitnätverken — jag tror att denna fakta underskattas (personer som är populära eller inflytelserika lägger mer tid på att bygga nätverk, och därför har de fler "grannar" än vanliga personer). Baserat på de simuleringar som nämnts ovan förväntar vi oss att elitnätverken kommer att stödja vissa kulturella former som inte kan upprätthållas av mainstream, helt enkelt utifrån de matematiska lagarna om nätverkets genomsnittliga grad. Jag lämnar er att fundera över vilka dessa kulturella former kan vara.

Slutligen kan vi tillämpa denna idé på internet, genom att modellera det som en enorm och mycket tät stad. Det är ingen överraskning att det finns många nya kulturformer som frodas på internet, vilka helt enkelt inte kan upprätthållas i rena rumsliga nätverk: nischhobbyn, högre designstandarder, ökad medvetenhet om orättvisor, etc. Och det handlar inte bara om trevliga saker. Precis som de tidiga städerna var grogrunder för sjukdomar som inte kunde spridas vid låg befolkningstäthet, är internet en näringsrik miljö för maligna kulturella former, såsom clickbait, falska nyheter och att skapa konstlad upprördhet.

Kunskap

"Att få rätt expert vid rätt tillfälle är ofta den mest värdefulla resursen för att kreativt lösa ett problem." — Michael Nielsen, "Att uppfinna upptäckter"

Vi tänker ofta på upptäckten eller uppfinningen som en process som sker i sinnesstämningen hos en ensam geni. En blixt av inspiration slår ner och — eureka! — plötsligt har vi erhållit ett nytt sätt att mäta volym. Eller gravitationsformeln. Eller glödlampan.

Men om vi tar den ensamma uppfinnarens perspektiv i ögonblicket av upptäckten, ser vi fenomenet ur ett knutpunktsperspektiv. Det skulle vara mer korrekt att tolka uppfinningen som ett nätverks fenomen.

Nätverket är viktigt på minst två sätt. För det första måste redan existerande idéer tränga igenom medvetandet hos uppfinnaren. Det kan vara citat från en ny artikel, bibliografiska avsnitt från en ny bok — jättarna vars axlar Newton stod på. För det andra är nätverket avgörande för att återföra den nya idén tillbaka i världen; en uppfinning som inte sprider sig, är knappast värd att kallas en "uppfinning" överhuvudtaget. Därför är det meningsfullt av båda dessa skäl att modellera uppfinning — eller, i bredare mening, kunskapsväxt — som en process av diffusion.

Om en stund kommer jag att introducera en grov simulering av hur kunskap kan spridas och växa inom ett nätverk. Men först måste jag förklara.

I början av simuleringen finns det fyra experter i varje kvadrant av nätet, placerade på följande sätt:

Expert 1 får den första versionen av idén — låt oss kalla den Idé 1.0. Expert 2 är den som vet hur man omvandlar Idé 1.0 till Idé 2.0. Expert 3 vet hur man förvandlar Idé 2.0 till Idé 3.0. Och slutligen vet den fjärde experten hur man sätter de sista detaljerna för att skapa Idé 4.0.

Det liknar en teknik som origami, där metoder utvecklas och kombineras med andra metoder för att skapa mer intressanta konstruktioner. Eller det kan vara ett kunskapsområde som fysik, där senare arbete bygger på grundläggande arbete från föregångarna.

Kärnan i denna simulering är att vi behöver alla fyra experter för att bidra till den slutliga versionen av idén. Och vid varje steg måste idén överlämnas till den lämpliga experten.

Några förbehåll. I simuleringen är det inbäddade många orealistiska antaganden. Här är bara några av dem:

1. Det antas att idéer inte kan bevaras och överföras på något annat sätt än från människa till människa (dvs. det finns inga böcker och medier).
2. Det antas att det finns konstant experter i befolkningen som kan generera idéer, även om många slumpmässiga faktorer verkligt påverkar uppkomsten av en upptäckte eller uppfinning.
3. För alla fyra versioner av idén används samma uppsättning SIS-parametrar (överföringshastighet, procent av immunitet, etc.), även om det troligen vore mer realistiskt att använda olika parametrar för varje version (1.0, 2.0, etc.)
4. Det antas att idé N+1 alltid helt ersätter idé N, även om både den gamla och den nya versionen ofta cirkulerar samtidigt, utan något kategoriskt vinnande.

… och många andra.

Diskussion

Detta är en löjligt förenklad modell av hur kunskap faktiskt växer. Många viktiga delar (se ovan) har lämnats utanför modellen. Ändå återspeglar den den viktiga essensen av processen. Och därför kan vi, med vissa förbehåll, resonera om tillväxten av kunskap med hjälp av vår kunskap om diffusion.

Specifikt ger diffusionsmodellen en förståelse för hur accelerera processen: man måste underlätta utbytet av idéer mellan expertpunkter. Det kan innebära att rensa nätverket från döda noder som hindrar diffusionen. Eller så kan det betyda att placera alla experter i en stad eller kluster med hög nätverksdensitet där idéer snabbt sprids. Eller helt enkelt samla dem i ett rum:

Så… det är allt jag kan berätta om diffusion.

Men jag har en sista tanke, och den är mycket viktig. Det handlar om tillväxt (och stagnation) av kunskap inom vetenskapliga samhällen. Denna idé skiljer sig i ton och innehåll från allt som sagts ovan, men jag hoppas att ni kan förlåta mig.

Om vetenskapliga nätverk

I illustrationen visas en av de viktigaste positiva feedbackcyklerna i världen (och den har varit det ganska länge):

Den uppåtgående delen av cykeln (K ⟶ T) är ganska enkel: vi använder ny kunskap för att utveckla nya verktyg. Till exempel gör förståelse av halvledarfysik det möjligt för oss att skapa datorer.

Men den nedåtgående delen kräver viss förklaring. Hur leder tekniska framsteg till ökad kunskap?

Ett sätt – kanske det mest direkta – är när nya teknologier ger oss nya sätt att uppfatta världen. Till exempel gör bättre mikroskop att vi kan titta djupare in i celler, vilket ger upphov till idéer för molekylärbiologi. GPS-trackers visar hur djur rör sig. Sonar gör det möjligt att utforska haven. Och så vidare.

Utan tvekan är detta en livsviktig mekanism, men det finns minst två andra vägar från teknologi till kunskap. Kanske de inte är så enkla, men jag tror att de är lika viktiga:

Första. Teknik leder till ekonomiskt överflöd (dvs rikedom), vilket gör att fler människor kan ägna sig åt kunskapsproduktion.

Om 90% av befolkningen i ditt land är sysselsatt med jordbruk och de resterande 10% med någon form av handel (eller krig), har människor mycket lite fritid för att fundera på naturens lagar. Kanske är det just därför som vetenskapen tidigare främst drevs framåt av barn från rika familjer.

USA utbildar årligen över 50 000 doktorer. Istället för att en person går och arbetar på fabriken vid 18 års ålder (eller tidigare) måste en doktorand finansieras fram till 30, eller kanske till och med 40 år - och även då är det oklart om deras arbete kommer att ha någon verklig ekonomisk effekt. Men det är nödvändigt för att nå avancerade gränser inom sitt ämnesområde, särskilt inom komplexa områden som fysik eller biologi.

Poängen är att specialister är dyra ur ett systemperspektiv. Den slutliga källan till offentligt välstånd som finansierar dessa specialister är ny teknologi: plogen subventionerar pennan.

Den andraNya teknologier, särskilt inom resor och kommunikation, förändrar strukturen i de sociala nätverken där kunskap växer. Särskilt möjliggör detta för experter och specialister att interagera mer nära med varandra.

Bland de anmärkningsvärda uppfinningarna här finns tryckpressen, ångfartyg och järnvägar (som underlättar resor och/eller postleveranser över långa avstånd), telefoner, flygplan och internet. Alla dessa teknologier bidrar till en ökad nätverksdensitet, särskilt inom specialiserade samhällen (där nästan all kunskapsutveckling sker). Till exempel korrespondensnätverk som uppstod bland europeiska vetenskapsmän i slutet av medeltiden, eller hur moderna fysiker använder arXiv.

I slutändan är dessa två vägar liknande. Båda ökar nätverksdensiteten bland specialister, vilket i sin tur leder till ökad kunskap:

Under många år har jag varit ganska föraktfull gentemot högre utbildning. En kort tid i forskarutbildning lämnade en obehaglig eftersmak. Men nu, när jag ser tillbaka och tänker (finns det en möjlighet att abstrahera från alla personliga problem), måste jag dra slutsatsen att högre utbildning fortfarande är oerhört viktig.

Akademiska sociala nätverk (till exempel forskningssamhällen) är en av de mest avancerade och värdefulla strukturer som vår civilisation har skapat. Ingen annanstans har vi samlat en större koncentration av specialister fokuserade på kunskapsproduktion. Ingenstans har människor utvecklat en större förmåga att förstå och kritisera varandras idéer. Detta är det pulserande hjärtat av framsteg. Just i dessa nätverk brinner upplysningens eld starkast.

Men vi kan inte ta framsteg för givet. Om krisen med reproducerbarhet av experiment har lärt oss något, så är det att vetenskapen kan ha systemiska problem. Detta är, på sitt sätt, en nedgradering av nätverket.

Anta att vi skiljer på två sätt att bedriva vetenskap: ädel vetenskap och karriärism. Ädel vetenskap handlar om praktiker som tillförlitligt producerar kunskap. Den drivs av nyfikenhet och kännetecknas av ärlighet (Feynman: "Ser du, jag behöver bara förstå världen"). Karriärism å sin sida motiveras av professionella ambitioner och kännetecknas av politiska spel och vetenskapliga etiketter. Den kan se ut och agera som vetenskap, men inte producerar inte pålitlig kunskap.

(Ja, detta är en överdriven dikotomi. Bara en tankeexperiment. Förlåt).

Faktum är att när karriärister tar plats i det verkliga forskarsamhället, så skadar de arbetet. De strävar efter att främja sig själva, medan resten av samhället försöker utvinna nya kunskaper och dela dem. Istället för att sträva efter klarhet, komplicerar karriärister allt och förvirrar för att låta mer imponerande. De ägnar sig åt (som Harry Frankfurt skulle säga) vetenskaplig nonsens. Och därför skulle vi kunna modellera dem som döda knutpunkter, okänsliga för den välmenande informationsutbytet som krävs för kunskapstillväxt:

Kanske är den bästa modellen en där karriäristiska knutar inte bara är okänsliga för kunskap, utan aktivt sprider falsk kunskap. Falsk kunskap kan inkludera obetydliga resultat vars betydelse överdrivs, eller verkligen falska resultat som uppstår genom manipulationer eller fabricerade data.

Oavsett hur vi modellerar dem, kan karriärister utan tvekan kväva våra vetenskapliga samhällen.

Det liknar en kedjereaktion där vi akut behöver — vi behöver en kunskapsexplosion — men i vårt berikade U-235 finns det en för stor andel av det icke-reaktiva isotopen U-238 som hämmar kedjereaktionen.

Självklart finns det ingen tydlig åtskillnad mellan karriärister och riktiga forskare. Var och en av oss har en gnutta karriärism inom sig. Frågan är hur länge nätverket tål det innan kunskapsöverföringen avtar.

Åh, du läste till slutet. Tack för att du läste.

Licens

CC0 alla rättigheter inte skyddade. Du kan använda detta arbete som du vill.

Tack.

• Kevin Kwok och Niki Case för insiktsfulla kommentarer och förslag om olika versioner av utkastet.
• Nick Barr — för moraliskt stöd genom hela processen och för de mest användbara återkopplingarna till mitt arbete.
• Kit A. för att ha påpekat perkolationsfenomenet och flödesgränsen.
• Jeff Lonsdale för länken till detta essä, som (trots sina många brister) blev den främsta drivkraften för att arbeta på detta inlägg.

Exempel på interaktiva essäer

• Alla arbeten av Niki Case, särskilt »Fabeln om polygoner« (med Vi Hart) och »Att utveckla det bästa röstningssystemet«. Detta sätter ribban för vad en interaktiv essä kan vara.
• Distill.pub: utomordentliga interaktiva beskrivningar av maskininlärning.
• Bret Victors klassiska arbete »Upp och ner för abstraktionsstegen«. Jag hanterade inte stegen särskilt bra, men det finns alltid en ny chans.

Källa: habr.com